仪表数字图像AI视频分析预警系统利用AI人工智能机器视觉分析识别技术,仪表数字图像AI视频分析预警通过部署现场监控摄像头,实现对仪表盘读数和开关状态的自动识别。系统通过捕捉仪表盘图片,并运用AI算法分析处理这些图像,自动读取仪表盘上显示的数字。相比起传统的人工读数方式,该系统提供了更高的准确性和效率。这种智能化的识别技术可有效降低人工读数的误判概率,并且适用于24小时全天候的自动读数。此外,仪表数字图像AI视频分析预警系统的应用适用于多个场景,如工厂、油田和电力机房等。在这些场景下,仪表盘和开关状态的准确识别对于生产运营和安全管理至关重要。
YOLOX在YOLO系列的基础上做了一系列的工作,其主要贡献在于:在YOLOv3的基础上,引入了Decoupled Head,Data Aug,Anchor Free和SimOTA样本匹配的方法,构建了一种anchor-free的端到端目标检测框架,并且达到了一流的检测水平。此外,本文提出的 YOLOX-L 模型在视频感知挑战赛(CVPR 2021年自动驾驶研讨会)上获得了第一名。作者还提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。
目标检测分为Anchor Based和Anchor Free两种方式。在Yolov3、Yolov4、Yolov5中,通常都是采用 Anchor Based的方式,来提取目标框。Yolox 将 Anchor free 的方式引入到Yolo系列中,使用anchor free方法有如下好处:降低了计算量,不涉及IoU计算,另外产生的预测框数量较少。假设feature map的尺度为80x80,anchor based方法在Feature Map上,每个单元格一般设置三个不同尺寸大小的锚框,因此产生3x80x80=19200个预测框。而使用anchor free的方法,仅产生80x80=6400个预测框,降低了计算量。缓解了正负样本不平衡问题anchor free方法的预测框只有anchor based方法的1/3,而预测框中大部分是负样本,因此anchor free方法可以减少负样本数,进一步缓解了正负样本不平衡问题。
随着工业生产的不断发展,对仪表盘读数和开关状态的准确识别成为了一个重要的工作环节。为了提高工作效率和降低误读率,基于AI人工智能机器视觉分析识别技术的仪表数字图像AI视频分析预警系统应运而生。该系统利用现场监控摄像头代替人眼,自动识别仪表表示数或开关状态,提供7*24小时自动读数,并通过平台及时上报给管理员。通过AI算法抓拍仪表盘图片并自动识别读数,该系统能够降低人工读数的工作强度和误读概率,提高仪表读数识别的准确性。该系统主要适用于工厂、油田、核电等场景,在辅助管理人员统计仪表盘信息方面起到重要作用,减少了人工监控的工作强度。
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid()
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
仪表数字图像AI视频分析预警一旦识别到异常情况或预设的阈值被触发,系统会自动触发预警机制。通过实时监测并分析仪表盘读数和开关状态,系统能够发现异常情况,并及时向管理人员发送预警信息,以便他们采取必要的措施进行处理。此外,系统还具备辅助管理人员统计仪表盘信息的功能,通过平台实现数据记录和上报,实现对仪表状态的远程监控和数据分析。这样的系统大大减轻了人工读数和监控的工作强度,并提供了及时准确的数据支持,确保设备运行的安全和正常。